论文通过提出基于子图匹配的图内核来解决无属性子图匹配内核所面临的属性不匹配的问题，并通过灵活的打分方案对子图匹配进行评分。作者还提出了用于计算内核的图论算法，并在对真实世界图进行分类任务时取得了鼓舞人心的实验结果。

Jun, 2012

本文提出了MultI-Level Embedding (MILE)框架，使用混合匹配技术将大型图形渐进细化为规模较小的图形，然后使用现有图嵌入方法对最粗略的图形进行嵌入，并通过学习的图卷积神经网络将嵌入细化到原始图形上，以实现图形嵌入在节点分类任务中的计算速度提升和嵌入质量优化，并且可以轻松地适用于具有数百万节点和数十万边的大型图形。

Feb, 2018

提出基于随机游走返回概率的图核计算框架，使用各种节点属性进行有效利用，并在广泛的图分类实验中证明了其显著优越性。

Sep, 2018

本研究总结了过去 15 年中用于核心基础图分类问题的技术，并在一系列基准测试和新数据集上对几种热门核进行了性能比对，发现对于某些数据集，简单的基准测试经过高斯 RBF 核转换后可以得到竞争性的结果；此外，还对现有的图核进行了实证研究，并据此得出了一个从数据角度出发的核分类方案。最后，基于实验结果，本文为核基础图分类提供了从实践角度出发的指南。

Mar, 2019

这篇综述文章介绍了在结构化数据学习中，图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数，介绍了图核函数在社交网络及生物信息学等领域的成功应用，并提供了一些有关图核函数的应用和挑战的讨论。

Apr, 2019

本文介绍了一种基于Wasserstein距离和Weisfeiler-Lehman embedding的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

Jun, 2019

本文提出了一种新的全局对齐图核算法，该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输，得到的图嵌入称为“随机图嵌入（RGE）”，可以通过定义在随机图上的分布自然地产生随机特征近似，实验结果表明 RGE 超越或匹配了十二个最先进的图分类算法。

Nov, 2019

本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

Mar, 2020

该研究提出了改进的图核函数RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用RWK+为核心的KCN模型RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了RWK+的表达能力以及RWK+Conv层在图级任务上的有效性，并说明了RWK+和RWK+Conv在各种真实世界应用中的适应性。

Feb, 2024

通过深层次图对齐核（Deep Hierarchical Graph Alignment Kernels）解决了图卷积核函数在分解图形成非同构子结构并进行比较时忽视隐含相似性和拓扑位置信息所限制性能的问题，理论分析保证了该方法在复制核希尔伯特空间中为半正定且具有线性可分性，在各种基准数据集上与最先进的图卷积核函数进行比较证明了DHGAK的有效性和高效性。

May, 2024